[发明专利]一种基于并行树突状神经网络的光伏功率超短期预测方法

权利要求书

1.一种基于并行树突状神经网络的光伏功率超短期预测方法，其特征在于，所述方法包括以下步骤：

步骤1)、确定并选取影响光伏功率预测的因素作为树突状神经网络的输入变量，得到树突状神经网络的离线训练数据集和在线预测数据集，并将离线训练数据集和在线预测数据集中的数据进行归一化处理；

步骤2)、确定聚类中心的个数，利用FCM算法对离线训练数据集进行划分，得到各组离线数据对于聚类中心的一个隶属度矩阵，并将各组离线数据聚类到隶属度最高的类别中，得到离线训练数据的子数据集；

步骤3)、基于树突状神经网络对每一个离线数据的子集分别训练子网络模型，并将训练完成的子网络模型搭建成一个并行结构的整体预测模型；

步骤4、通过FCM算法计算各组预测数据对各个聚类中心的隶属度矩阵；

步骤5)、将预测数据传输至隶属度最大的的子模型中，并计算各个子模型的预测结果；

步骤6)、对所有子模型的计算结果进行一个算术平均的计算，即可得到并行多子网络模型的最终预测结果。

2.根据权利要求1所述的一种基于并行树突状神经网络的光伏功率超短期预测方法，其特征在于，所述步骤1)中，选取影响光伏功率预测的因素包括：太阳辐照度、相邻时刻的光伏功率、环境温度、光电板温度、风速。

3.根据权利要求1所述的一种基于并行树突状神经网络的光伏功率超短期预测方法，其特征在于，所述步骤2)中，FCM算法通过不断重复迭代离线数据划分以及更新隶属度矩阵来进行训练，训练过程如下：

步骤2)-1、初始化迭代结束阈值ε，随机选取C个样本作为初始聚类中心并确定最大迭代次数T；

步骤2)-2、计算每一组离线样本数据对于聚类中心的隶属度矩阵U＝[u_ij]_c×n；

若则：

若使则：

其中，m∈[1,∞)为隶属度的指数，v_i表示现有的第i个聚类类别的中心，U＝[u_ij]_c×n为隶属度矩阵，矩阵中的u_ij表示第j个数据x_j从属于第i个聚类类别的隶属度，而d(x_j,v_i)为数据与类别中心间的欧氏距离||x_j-v_i||；

步骤2)-3、计算聚类中心V^k+1：

步骤2)-4、判断结束条件，当||V^k+1-V^k||＜ε，或者训练迭代次数大于预设阈值T，则FCM算法训练完成，否则转至步骤二，重复迭代过程；

步骤2)-5、将离线的训练数据集根据上述计算后的隶属度矩阵进行划分，进而得到离线数据的子数据集。

4.根据权利要求1所述的一种基于并行树突状神经网络的光伏功率超短期预测方法，其特征在于，所述步骤4)中，对在线预测数据进行计算，得到了预测数据对各个聚类中心的隶属度矩阵；

即在输入模型前，每一组在线预测样本需要计算对所有聚类中心的隶属度矩阵，此时的隶属度矩阵表达式如下：

U_j＝[u_1j,u_2j,...,u_cj]^T

其中u_cj表示第j个预测样本与第c类聚类中心间的隶属度，该隶属度矩阵表示当前在线预测样本数据与各聚类中心的隶属度大小，得到隶属度矩阵后即可选择前N个较大隶属度的子模型传入该组数据，以获得样本预测输出。

5.根据权利要求1所述的一种基于并行树突状神经网络的光伏功率超短期预测方法，其特征在于，所述步骤6)中，在获得所选的多个子模型的计算结果后，最终预测输出的汇总公式如下：